验证用于锂离子电池系统合成故障数据生成的电池故障模型

《Journal of Energy Storage》：Validating a battery fault model for synthetic fault data generation for lithium-ion battery systems

　　

# 摘要

故障数据的可获得性是锂离子电池系统故障检测算法的开发、选型和适配的关键促进因素。基于模型的故障数据生成方法相比实验室或现场数据提供了一种快速且易于获取的替代方案，但需要进行彻底验证，以确保在故障条件下行为的重现是正确的。本研究介绍了一个公开可用的实验数据集，其中包含从6s3p故障仿真测试平台上测量得到的故障数据，涵盖四种不同的故障场景（电芯连接故障、微短路、电芯温度不均质故障和不均质加速老化）以及多故障场景。该故障仿真测试台的设计旨在优化故障机制仿真过程中的重复性并缓解寄生影响。该实验数据集还被用于参数化和验证电池故障模型，以生成合成故障数据。验证结果表明，系统在遭受不同故障场景时的行为可以定性地进行复现。在定量方面，电芯连接故障和微短路场景以可接受的精度进行了复现。电芯温度不均质故障引起的电学行为偏差较小，相比于连接电阻观测到的变化而言较为轻微。不均质加速老化场景的复现具有挑战性，需要进一步增强模型。在所有场景中，连接器显著退化和在整个测试周期内组装周期之间不断增大的变化是故障模型验证的主要挑战。在最后一步中，展示了故障模型在基于关联的故障检测算法的校准中以及为基于机器学习的方法生成训练数据中的应用。这些示例性应用强调了所引入流程的相关性和可用性。

# 引言

预测、诊断和缓解故障被认为是锂离子电池系统管理和控制方法未来发展中的关键方面之一[1], [2]。这尤其适用于电气化交通系统中部署的电池系统，如电动汽车、轨道交通应用、航空以及电气和混合动力船舶能源系统，在这些系统中，大容量电池系统在苛刻条件下运行，任何未检测到的故障都可能导致安全关键事件、经济损失，并可能危及乘客和船员安全。近年来，关于该主题的科学出版物数量不断增加，也反映了故障预测和诊断的重要性[3]。在此背景下，使用电池系统的并行运行数字表示——即所谓的"数字孪生"——用于故障预测和诊断目的，也日益流行[1], [4], [5], [6]。

目前，研究人员已经提出了多种区分和聚类电池系统可能故障场景的方法[1], [2], [7], [8], [9], [10], [11], [12], [13]。其中，Qiu等人[9]将电池故障分为电池故障、传感器故障和执行器故障。电池故障可能包括电气故障，如过充、过放、内部和外部短路（ISC/ESC），热故障，包括过温和欠温以及热失控，以及加速的同质或异质老化[9], [11]。除了明显的故障外，传感器和执行器故障还可能包括电芯连接故障、电池管理系统（BMS）硬件故障或热管理系统故障[10], [12]。一些研究人员，如Hu等人[11]，还提出了一系列初始故障原因与其长期和短期后果之间的因果联系。然而，由于各种交互的复杂性和跨领域性质，建立全面的方案往往证明是困难的。除了按类型聚类外，故障案例还可通过其强度进行区分。这通常与时序分量相关，区分突发故障和渐进故障[14]，后者也被称为初期故障[15]、初始故障[16]或早期故障[17]。Sun等人[16]将轻微故障描述为仍然隐藏在正常电压序列中的故障，这一概念通常也被称为软故障[15], [17]。

设计、验证故障预测和诊断方法的关键促进因素是故障数据的可获得性[10], [18], [19]。根据Klink等人[19]，缺乏通用和标准化的验证数据也阻碍了对现有文献中适当方法的意义性比较和选择[19]。此外，随着基于机器学习的方法日益重要，用于模型训练的故障数据的可获得性也成为关键促进因素[20]。故障数据可以从现场实际系统中获取，可以通过实验室规模的实验或模拟获得[8]。来自真实发生的故障数据通常被认为最有价值，因为它提供了算法应处理的实际场景的完美洞察。然而，它不能随需获取，也不允许在故障发生期间系统地改变故障强度或系统状态。此外，可靠地确定故障原因通常具有挑战性。目前大多数真实生活数据源自电动汽车[21], [22], [23]。

通过实验室实验生成故障数据在当今的研究环境中普遍使用。在现有文献中，许多资料集中于在单电芯和电池系统内部复现内部和外部短路[24], [25], [26], [27], [28], [29], [30], [31]。Yao等人[32]和Ding等人[33]分别研究了电芯连接丢失和连接电阻增加。Yang等人[34]进一步提出了多故障测试平台，包括ISC/ESC、连接和过温故障，以及Li等人[35]研究了短路、连接和传感器故障。与真实数据相比，通过实验室实验生成故障数据允许系统地改变强度，具有良好可重复性和明确的故障识别。另一方面，需要昂贵的测量和安全设备，特别是在模块、电池组或系统级别的调查中。

模拟为测量数据提供了一种易于获取的替代方案。Klink等人[19]在此领域发表了重要成果，他们使用电气等效电路模型（ECM）模拟了考虑电芯间差异和测量不确定度情况下短路的影响。Yuan等人[18]也研究了内部短路，但将其模型扩展到热领域。Kim等人[36]将异常老化作为故障场景进行了研究，同样采用电气ECM。Dey等人[37]引入了热故障案例的复现方法，使用一维模型对圆柱形电芯进行建模。Luder等人[38]提出了一种多故障模型，包括短路故障以及异常内部和接触电阻。该底层模型代表了电学、热学和老化行为，并考虑了电芯间差异的影响。模拟提供了一种简单的方法来为任何系统在任意故障条件下生成特定的故障数据。然而，生成的数据可能严重偏离现实，因为对实际反应路径进行建模和确定匹配的参数集仍然是一个挑战。因此，对结果的彻底验证是必要的，但在现有文献中很少进行。Seo等人[39]和Zhu等人[40]通过将模拟数据集与额外的实验数据相结合来解决这一挑战。Bhaskar等人[41]在生成故障数据时将模拟无故障场景时获得的验证误差添加回生成的故障曲线中，以模拟不可避免的模型误差的影响。

鉴于此处描述的现有技术状态，本工作旨在做出以下贡献：

1. 一个代表四种故障场景效果（电芯连接故障、微短路、电芯温度不均质故障和不均质加速老化）的系统级实验数据集，包括多故障场景。
2. 对实验故障仿真的准确性、可重复性和实际限制进行详细讨论。
3. 在获得的实验数据上验证故障模型，该模型代表上述故障场景的电学效果，包括电芯间差异的寄生影响。
4. 将验证后的故障模型示例性地应用于两种常见类型的故障检测算法，用于阈值校准和训练数据的生成。

在本研究范围内，明确关注如上所述的初期故障。在其发生早期检测初期故障通常具有挑战性，因为受影响电芯的行为仅发生轻微改变。然而，如果成功，及时的检测可以实现以最小损害对系统进行干预，从而减少系统停机时间。此外，实验活动和后续的建模都专注于复现所调查故障场景的电学效果。由于本研究聚焦于初期故障，故障场景引起的热特征（即额外的热量产生）是有限的。考虑到系统在测试期间经历的通常较小的温度变化（见4.1节），这一简化被认为是可以接受的。

本研究中提出的实验数据和故障数据生成模型旨在作为开发和新验证现有故障数据生成和故障诊断方法的基础。为此，数据和模型均已公开可用。有关访问详情，请参考数据可用性声明。关于测量设置和条件的详细信息见论文和数据仓库。

为了在实验室环境中复现所选故障场景引起的电学改变，可以对所研究的电池系统进行各种修改。以下概述了文献中常见的故障仿真方法。本工作中故障的仿真方式在2.2节中有详细说明。

**电芯连接故障**表现为连接电阻增加、不稳定，或最坏情况下为无穷大连接电阻。它们可能由制造缺陷、振动或连接材料腐蚀引起[10]。其结果是连接处出现局部温度热点，以及并联电芯组中的电流偏差[42]。连接电阻增加可以通过在电芯上串联额外电阻来仿真。在文献中，额外连接电阻的选择范围在5 mΩ到30 mΩ之间[33], [43]。应该提到的是，根据额外电阻插入的位置不同，热影响（即额外热量产生）不会被复现。

**外部和内部短路**是电池最常被研究的故障场景之一。硬短路（低阻短路）通常导致电压立即降至接近0 V并产生急剧增加的热量，而所谓的微短路通常导致自放电率增加[44], [45]。微短路通常由隔膜穿孔引起，在电芯的阳极和阴极之间形成导电连接。这可能是由枝晶生长、制造引入的杂质以及热或机械应力引起的[46]。微短路导致的自放电增加通常通过在相关电芯上并联额外电阻来仿真。所选电阻值反映短路的强度，通常选择在1 Ω到10 kΩ之间[28], [44]。类似于电芯连接故障，微短路引起的额外热量产生无法通过并联电阻完全复现。

**电芯温度不均质故障**表现为一个或多个电芯温度与系统平均值之间存在异常高的偏差。这可能由热管理系统故障引起，包括执行器故障（如风扇或电机故障）、冷却液泄漏或冷却板与电芯之间的接触丢失[10], [11], [12]。如果受影响电芯的温度达到临界程度，可能导致热失控。在较温和的场景中，电池系统内部不均质增加的温度可能导致不均质老化，以及并联和串联连接中电压和电流偏差的增加[47], [48], [49]。Klein等人[49]分析了5–20°C温度差的影响，而Fill等人[48]观测到在10 K以下温度差时的电流分布。通常，电芯温度不均质故障的效果通过主动控制系统中特定电芯的温度来仿真。

然而，必须指出的是，这并不能复现由特定热管理系统故障引起的变化温度动力学，而是由该故障导致的一特定温度不均匀性对系统行为的影响。

关于电池单体，退化通常指单体容量下降或内阻增加[50]。加速退化或老化可能由制造缺陷、机械应力或特定的电热运行条件引起，例如低温下的高充电电流导致锂沉积[51]。此外，其他故障模式，如微短路，也可能引发加速退化[11]、[52]。在多单体系统背景下，如果退化进度不均匀——例如仅一个或少数单体表现出加速退化的影响，而系统其余部分保持稳定——高级故障诊断尤为关键。在文献中，该故障场景也称为不一致性故障[14]、[53]。不均匀加速退化的影响可以通过在被研究电池系统中引入已退化单体来复现。

**系统概览与测量设置**

为了采集实验故障数据，设计了一个可模拟上述四种故障场景的多单体电池系统。图1展示了系统的渲染图(a)和原理示意图(b)，该系统由三星SDI制造的18个21700型电池单体组成，活性材料为镍钴铝氧化物（NCA）和硅-石墨（SiC）。每个单体的标称容量??_nom为4.9 Ah。单体的其他特性见表1。

**单体与系统模型**

本研究使用的电池单体模型采用了标准等效电路，包含一个可控的OCV电压源、一个串联电阻??_s，以及两个RC元件，参数分别为??_p1、??_p1、??_p2和??_p2。该模型的原理示意图如图2所示，相应的数学描述见公式(1)–(4)。OCV-SoC轨迹的充放电滞后已被证明对准确表征单体电压分布具有重要作用。

**故障测量活动**

基于第2节中介绍的电池系统和故障模拟方法，开展了故障测量活动，包含表4中所概述的20个不同场景。测试过程中采用了两种负载曲线。FRS曲线模拟了用于频率调节服务的电池行为[62]。负载电流根据德国慕尼黑测得的电网频率偏离目标值50 Hz的偏差按比例计算[62]。经缩放后……

**示例应用**

以下分别以文献中的基于相关性的故障检测算法[51]的校准以及基于卷积神经网络的机器学习故障检测算法的训练数据生成为例，对提出的模型进行示例性应用。两种应用中使用的合成故障数据如图8所示。四种故障场景（单体连接故障、微短路、不均匀……）的不同强度。

**结论与展望**

本研究介绍了一个实验数据集，其中包含了从6s3p故障模拟测试平台上获取的多种单故障和多故障场景。所提出的测试平台能够模拟单体连接故障、微短路、不均匀温度故障和不均匀加速退化。测试结果被用于表征系统在初始故障条件下的电气行为。

为使基于模型的故障数据……

**CRediT作者贡献声明**

Alexander Reiter：初稿撰写、验证、方法论、调查、概念构思。Christian Rosenmüller：初稿撰写、方法论、调查。Susanne Lehner：审稿与编辑、资源、概念构思。Dirk Uwe Sauer：审稿与编辑。Oliver Bohlen：审稿与编辑、资源、方法论、概念构思。

**生成式人工智能及AI辅助技术在写作过程中的声明**

在本文准备过程中，作者使用了Writefull工具以提高稿件的可读性和语言质量。使用该工具后，作者对内容进行了审阅和编辑，并对已发表文章的完整内容承担全部责任。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

**致谢**

作者感谢Stefan Brand和Fredrik Pohl（慕尼黑应用科学大学）在测试平台开发和测试活动执行期间提供的协助与建议。

Alexander Reiter | Christian Rosenmüller | Susanne Lehner | Dirk Uwe Sauer | Oliver Bohlen

慕尼黑应用科学大学 可持续能源系统研究所（ISES），Lothstr. 64, 80335 慕尼黑，德国